Säiliön karakterisointi, facies-mallinnus ja geostatistiikka

Voitot:

• Kyky selittää, kuinka säiliön ominaisuuksien (huokoisuus, läpäisevyys, veden kylläisyys) 3D-jakauma mallinnetaan tekoälyllä ja geostatistiikalla
• Kyky paikantaa piirteiden leviäminen facies-mallinnuksen, variogrammin, krigingin ja koneoppimisen avulla
• Kyky todentaa säiliömallin tuotokset materiaalitaseella, kaivotestauksella ja epävarmuusskenaarioilla

Öljy- tai kaasukentän valmistamiseksi meidän on ensin rakennettava siitä 3D-malli: missä säiliökivi on, kuinka huokoinen se on (huokoisuus), kuinka helposti neste virtaa (läpäisevyys/läpäisevyys) ja kuinka suuri osa huokosista on täytetty hiilivedyillä (1 − vesikyllästys). Mutta voimme mitata nämä piirteet vain kohdista, joissa poraamme kaivoja; Valtava tilavuus kaivojen välillä on tyhjä ja se on täytettävä. Säiliön karakterisointi on pistemittausten ottamista kaivoista ja niiden laajentamista koko tilavuuteen geologisen logiikan ja tilastojen avulla. Tässä yksikössä käytämme levitystyössä tekoälyä ja geostatistiikkaa (tilastotietoa epävarmalla mallilla). Muuttumaton periaate: jokainen hyvinvointiarvo on arvio, ei todellinen; Epävarmuus on osa mallia ja sitä testataan fyysisellä tasapainolla.

Peruskäsitteet

• Facies: Kalliotyyppi, jolla on ainutlaatuiset ominaisuudet ja joka muodostui tietyssä laskeumaympäristössä (esim. jokiväylähiekka, meriliuske, riuttakalkkikivi). Säiliön laatu on kiinteästi sidoksissa facieseihin: väylä valuttaa hyvin hiekkaa, mutta ei liusketta.
• Variogrammi: Tilan jatkuvuuden mitta, joka kuvaa, kuinka piirteiden samankaltaisuus vähenee kahden pisteen välisen etäisyyden kasvaessa. Se on geostatistiikan perustyökalu.
• Kriging: Menetelmä, joka estimoi arvon otostamattomissa pisteissä käyttämällä variogrammia yhdessä estimointiepävarmuuden kanssa.
• Stokastinen simulointi: Tuotetaan useita yhtä todennäköisiä malleja (toteutuksia), jotka ovat yhteensopivia tietojen kanssa yhden "parhaan" arvauksen sijaan; Se tekee epävarmuudesta näkyväksi.
• Materiaalitasapaino: Säilytyssuhde säiliöstä tuotetun nesteen, painehäviön ja jäljellä olevan tilavuuden välillä; fyysinen ankkuri, joka testaa itsenäisesti mallin tilavuuden.

Vihje: Säiliömalli on epävarmuusjakauma, ei yksittäinen luku. Oikea kieli on "P90=35, P50=50, P10=72 miljoonaa tynnyriä", ei "Vara 50 miljoonaa tynnyriä". Pyydä tekoälyltä skenaario/jakauma, älä yhden pisteen arviota.

Kuinka tekoäly ja geostatistiikka toimivat yhdessä

Klassinen geostatistiikka (kriging, variogrammi) on voimakas, mutta kamppailee monimuuttujien, epälineaaristen suhteiden kanssa. Tässä koneoppiminen tulee esiin:

• Facies-luokitus: Faciesin määrittäminen lokijoukosta (ohjattu oppiminen); Jaa sitten ominaisuus käyttämällä facies oppaana.
• Attribuutin estimointi: Kaivojen välisen huokoisuuden arviointi seismisen attribuutin + log-suhteen perusteella (seismipohjainen mallinnus).
• Aukkojen täyttö: Puuttuvien tukkialueiden täydentäminen kohtuullisesti viereisistä kaivoista ja suhteista.

Mutta koneoppiminen ei tunne geologista logiikkaa. Mallin tuottama huokoisuuskartta on virheellinen, jos se on ristiriidassa laskeumaympäristön kanssa (esim. liuskefassien suuri läpäisevyys). Geologinen uskottavuus on AI-tulosteen ensimmäinen suodatin.

Askel askeleelta: Säiliömallin työnkulku

1. Rakenteellinen luuranko. Selvitä säiliön geometria horisonteilla ja seismisellä vialla (tulos yksiköstä 3).
2. Facies malli. Määritä faasiat kaivoista (log + ydin), jaa tilavuuteen variogrammin/geologisen suuntauksen mukaan. AI nopeuttaa luokittelua.
3. Ominaisuuden käyttöönotto. Jaa huokoisuus, läpäisevyys ja vesikylläisyys kunkin fasion sisällä krigingillä tai koneoppimisella; Jos on seisminen, hanki opas.
4. Epävarmuus. Luo suuri määrä realisaatioita stokastisella simulaatiolla; P90/P50/P10-määrät lähetetään.
5. Vahvistus. Testimallin tilavuus materiaalitaseella ja historian yhteensopivuus; Vertaa kaivon läpäisevyyteen.

Kolme minikoteloa: Numeroiden mukaan

Tapaus 1 – Facies-oppaan arvo. Kun huokoisuus hajotettiin paikalle suoraan krigingillä, suuri huokoisuus "vuotai" huonolaatuisille liuskevyöhykkeille. Kun faciesimalli perustettiin ja huokoisuus jakautui fassien sisällä, malli muuttui realistiseksi ja stokastiset tilavuudet kavenivat: P50-tilavuus pieneni 12 %, mutta epävarmuuskaista kaveni 40 %. Oikea rakenne tuotti sekä realistisempia että turvallisempia tuloksia.

Tapaus 2 – Ekstrapolaatioloukku. Koneoppimismalli oppi huokoisuuden ja seismisen suhteen hyvin alueella, jossa kaivot ovat keskittyneet; mutta kun sitä levitettiin reunalohkoon ilman kuoppaa, se putosi harjoitusalueen ulkopuolelle (ekstrapolaatio) ja tuotti epärealistisen 28 %:n huokoisuuden. Geologi osoitti, että tuo lohko oli eri faciesvyöhykkeellä; malli oli virheellinen kyseisellä alueella. Ekstrapolointiraja on merkitty.

Tapaus 3 – Materiaalitaseristiriita. Runsaan 3D-mallin P50 reservit tuottivat 68 miljoonaa tynnyriä; kuitenkin kentän varhainen tuotannon paineen lasku osoitti järjestelmän, jonka materiaalitase oli enintään ~45 miljoonaa tynnyriä. Ristiriita syntyi, koska malli olettaa irrotettujen (eristettyjen) hiekkakappaleiden olevan liian kytkettyjä. Yhteyttä harkittiin uudelleen ja mallia pienennettiin. Fyysinen ankkuri kiinnitti geometrisen mallin.

Heikko kehote / Vahva kehote

Heikko kehote:

Säiliön malli ja reservi on johdettu näistä kaivotiedoista.[data]

Tehokas kehotus:

Luo alla olevasta (anonymisoidusta) kaivosta ja seismisestä yhteenvedosta säiliömallinnusLUONNOS. Säännöt: - Ensimmäinen rakentaa facies malli; Jaa huokoisuus/läpäisevyys fassien SISÄLLÄ. Hiilivetypiirteen huuhtoutuminen liuskeeksi/heikkolaatuisiksi faciesiksi. - Perustele variogrammiparametrit (suunta, vaihteluväli) geologisesta suuntauksesta, ei tiedoista; Kirjoita oletukset SELKEÄSTI.- Esitä tulos P90/P50/P10 tilavuusjakaumana, ei yksittäisenä numerona.- Merkitse ekstrapoloinnin riski kaivottomilla alueilla.- Kirjoita kuinka varmistetaan materiaalitaseella/tuotantohistorialla.Tiedot: [yhteenveto]

Neljä kopioitavaa mallia

1) Facies-luokitusluonnos:

Ehdota facies-luokittelutapaa seuraavista lokijoukosta. Kirjoita muistiin käytettävät lokit, luokkamääritykset ja ydinmerkintöjen tarve. Määritä luokkien ja geologisen uskottavuuden tarkistuksen välinen sekaannusvaara. Tiedot: [lokijoukko]

2) Variogrammin perustelu:

Kun muodostat variogrammia tälle huokoisuustiedolle, yhdistä suunta ja alueen valinta geologisen sateen suuntaan. Selitä isotrooppisen oletuksen riski. Ilmoita variogrammin luotettavuuden raja vähäisellä tiedolla. Tiedot: [huokoisuus]

3) Epävarmuusskenaario:

Luo P90/P50/P10 tilavuusjakauma seuraaville tilavuustuloille (pinta-ala, paksuus, huokoisuus, kylläisyys, muuntokerroin). Kysy kunkin syötteen epävarmuusaluetta, älä oleta sitä. Sijoita vaikutusvaltaisin epävarmuuden lähde (tornado). Syöte: [arvot]

4) Materiaalitasapainon ristiintarkastus:

Vertaa seuraavaa 3D-mallin määrää materiaalitaseessa annettuihin aikaisiin tuotanto- ja painehäviötietoihin. Jos yhteensopimattomuus on, luettele mahdolliset syyt (yhteys, pohjavesikerroksen tuki, tilavuusvirhe). Malli: [tilavuus], tuotanto/paine: [tiedot]

Säiliön mallin vahvistuskerrokset

kerros

Mitä testejä

menetelmä

Geologinen uskottavuus

Facies-ominaisuus johdonmukaisuus

Asiantuntijan arvostelu

hyvin dataa

Pistemittauksen noudattaminen

Lokin/ytimen vertailu

hyvin testi

Todellinen läpäisevyys/paine

Paineen transienttitesti

Materiaalitasapaino

tilavuuden säilyttäminen

Paineen ja tuotannon suhde

Tuotantohistoria

dynaaminen käyttäytyminen

Historian vastaavuus

Yleisiä virheitä

• Facies ohittaa. Jaa ominaisuuksia ilman facies-opasta ja vuoda hiilivetyjä esineen kanssa.
• Yhden pisteen ennuste. Yhden reservien määrän ilmoittaminen epävarmuusjakauman sijaan.
• Ekstrapolointi. Mallin soveltaminen sokeasti lohkoihin harjoitustietoalueen ulkopuolella.
• Materiaalitasapainon ohittaminen. Ei testata 3D-mallin tilavuutta fyysisellä tasapainolla.
• Jätä variogrammi automaattiseksi. Suunnan/alueen valinta ilman geologista suuntausta.

Yhteenvetona

• Säiliön karakterisointi on kaivojen pistemittausten laajentamista koko tilavuuteen geologian ja geostatistioiden avulla.
• Tekoäly ja koneoppiminen ovat tehokkaita facies-luokittelussa ja ominaisuuksien ennustamisessa; mutta geologinen uskottavuus on ensimmäinen suodatin.
• jakaa piirteitä fasien sisällä; Ilmoita epävarmuus P90/P50/P10-jakaumana.
• Merkitse ekstrapolointirajat; Älä käytä mallia sokeasti harjoitusalueen ulkopuolella.
• Materiaalitase ja tuotantohistoria ovat fyysisiä ankkureita, jotka testaavat geometrista mallia.

Sovellustehtävä

Ota huokoisuus/faciesitiedot useista kentän kaivoista (edustavista). Luo mallinnussuunnitelma tehokkaan kehotteen avulla. Sitten: (1) tarkista onko huokoisuus jakautunut faciesien sisällä, (2) pyydä reserviä muodossa P90/P50/P10, ei yksittäisenä numerona, (3) anna karkeasti mallin antama tilavuus yksinkertaisella materiaalitase-logiikalla (tuotettu + jäljellä). Lisää ekstrapolointivaroitus vähintään yhdelle hyvinvoimattomalle alueelle.

tarkistuslista

• [ ] Ymmärrän, että säiliömalli on hyvästä kaivoon -arvio ja sisältää epävarmuutta.
• [ ] Levitän ominaisuuksia facies-oppaan avulla, en vuoda niitä huonolaatuisiin facieseihin.
• [ ] Ilmoitan reservin P90/P50/P10-jakaumana, en yhtenä numerona.
• [ ] Merkitsen ekstrapolointirajat.
• [ ] Tarkistan mallivolyymin materiaalitaseella ja tuotantohistorialla.